技術的概要：FLIP – 点雲登録による大規模分散スウォームのためのリアルタイムかつ耐性のある編隊計画

1. 問題提起

スウォームロボットの大规模編隊計画は、性能と計算のスケーラビリティの間で根本的なトレードオフに直面している。既存のアプローチは一般的に 2 つのカテゴリに分類され、どちらも重大な限界を示す。

• 過度に単純化された表現: 多面体構造、確率分布、または人工ポテンシャル場を用いる手法は、計算負荷を低減するためにエージェント間の相互作用を分離する。しかし、この単純化は、特に障害物に富む環境において編隊性能を低下させ、著しい形状変形と収束の遅延をもたらす。
• 完全な協調関係: 全エージェントの運動を綿密に考慮する手法（完全グラフを近似する）は、高い編隊忠実度を保証するが、過剰な計算制約を導入する。スウォーム規模が増大するにつれ、これらの手法は高い計算負荷、局所最適解への感受性、および耐性の欠如に悩まされる。これらのシステムでは、最適でない軌道や異常なエージェント状態がネットワーク全体に伝播し、スウォーム全体の性能を低下させる。

現在の疎グラフアプローチはこれらの要因のバランスを取ろうとするが、スウォームが 100 エージェントを超えると編隊性能を保証できないことが多い。さらに、既存の手法は、正規化ラプラシアン行列の限界により主軸勾配が副軸勾配を覆い隠す可能性があるため、細長い編隊に対してはしばしば困難に直面する。

2. 手法

提案されるFLIP（リアルタイムかつ耐性のある編隊計画）フレームワークは、**最適編隊位置シーケンス（OFPS）の計算問題を時空間点雲登録（PCR）**問題に変換することで、これらの課題に対処する。本システムは、エージェントが近隣に軌道をブロードキャストする分散非同期計画フレームワーク内で動作する。

中核メカニズム：PCR ベースの OFPS 計算

複雑なグラフベースのコスト関数を最適化する代わりに、各エージェントは、他の全エージェントの現在位置をソース点雲として、所望の編隊位置をターゲット点雲として扱う。

1. 問題変換: エージェントの最適編隊位置を見つけるという目的は、ソース点雲（他のエージェントの位置）をターゲット点雲（所望の編隊）に整合させる最適な変換パラメータ（回転 $R$、並進 $t$、およびスケール $s$）を見つけるように再定式化される。
2. 効率的な近似: 各エージェントに対する反復最適化の計算負担を回避するため、本手法は問題を緩和する。それは、自分自身を除く他の全エージェントの位置を用いて、最適な変換パラメータ $\{R^*, t^*, s^*\}$ を計算する。その後、そのエージェントの最適編隊位置は、変換 $p^*_i = s^* R^* p^{des}_i + t^*$ を介して直接導出される。
3. 外れ値の排除: 耐性を確保するため、フレームワークは PCR プロセス内でRANSAC（ランダムサンプルコンセンサス）アルゴリズムを採用する。これにより、システムは登録プロセス中に外れ値点（異常または最適でないエージェント軌道を表す）を識別し、排除できる。その結果、異常状態はネットワークを介して伝播し、通常のエージェントの計画に影響を与えることがない。

軌道最適化

OFPS が計算されると、各エージェントはそれを局所軌道最適化の制約として使用する。軌道はTMINCO（最小制御多項式軌道表現）を用いて表現される。最適化は、以下の条件を満たしつつ、制御努力と飛行時間を最小化する。

• 動的実現可能性の制約。
• 障害物回避。
• スウォーム相互回避。
• OFPS から導出された編隊制約。

制約付き最適化問題は、ペナルティ戦略を用いて無制約問題に変換され、L-BFGSアルゴリズムを用いて効率的に解かれる。

3. 主要な貢献

本論文は、3 つの主要な貢献を概説している。

1. PCR ベースの大規模計画: 著者は、効率的な PCR を活用して最適編隊位置シーケンスを計算する新しいアルゴリズムを提案する。このアプローチは、完全に接続された協調グラフに関連する計算の爆発を回避することで、大規模スウォームのリアルタイム計画を可能にする。
2. 外れ値排除による耐性のある計画: 外れ値排除（RANSAC）を PCR ステップに統合することで、本手法は分散最適化中に最適でないまたは異常なエージェント軌道の影響を本質的に排除する。これにより誤りの伝播を防ぎ、スウォームが異常エージェントが相当数存在する場合でも編隊を維持することを保証する。
3. 検証とオープンソース: 本手法の有効性は、広範なシミュレーションおよび最先端（SOTA）手法とのベンチマークを通じて検証された。著者は、さらなる研究を促進するためにコードをオープンソース化することを約束している。

4. 実験結果

著者は、標準的な PC（Intel Core i7 8700K、32GB RAM）上でシミュレーションを行い、スウォームサイズ（最大 120 エージェント）および編隊形状を異にする場合のパフォーマンスを評価した。

• スケーラビリティと効率性:

  • SOTA 手法（Quan[1] および Zhou[10]）と比較して、FLIP は優れた計算効率を示す。Quan の手法はドローン 40 機でリアルタイム計画を維持できず（計算時間 > 1 秒）、Zhou の手法はドローン 100 機で困難に直面するのに対し、FLIP は障害物環境において 100 エージェントで平均計画時間0.040 秒、120 エージェントで0.09 秒を維持する。
  • FLIP の編隊距離誤差（$\bar{e}_{dist}$）は低く維持される（例：100 エージェントで 0.6065）。同様のスケールで失敗または高い誤差を示した Zhou の手法を上回る。
  • OFPS 計算自体は極めて軽量であり、1000 エージェントであっても0.06 秒未満に留まる。

• 耐性:

  • 異常エージェント（外れ値）を用いた実験において、FLIP は最大**12%**の異常エージェント（特定テストでは 75 機中 9 機、一般的な主張ではほぼ 10%）まで編隊性能を維持することに成功した。
  • 対照的に、単一ステップ最大クリークアプローチを使用する Zhou の手法は、異常エージェントの数が 3% を超えると対処できず、編隊の劣化を招いた。Quan の手法は異常状態の伝播により振動を示した。

• 編隊形状の多様性:

  • FLIP は、ハート型、立方体型、ランダム 3 次元など、さまざまな形状で一貫して動作し、SOTA 手法と同等の誤差を示した。
  • 重要なのは、細長い編隊（例：13.5m x 1.5m の長方形）において、FLIP が正規化ラプラシアン行列に基づく手法を上回ったことである。後者は短軸誤差に対する感度の低下により変形を招いたのに対し、FLIP は一貫した感度と低い誤差（障害物なし条件で $\bar{e}_{dist} = 0.028$）を維持した。

5. 意義と主張

本論文は、FLIP が高性能な編隊維持と計算効率のバランスを達成することで、大規模スウォームロボティクスにおいて重要な進歩を遂げたと主張している。

• リアルタイム能力: 本手法は、遅延または局所最適解のために従来の分散手法が失敗する規模である 100 エージェントを超えるスウォームのリアルタイム軌道計画を可能にする。
• 本質的な耐性: 異常エージェントを点雲登録問題における外れ値として扱うことで、システムは複雑な適応制御則や事前計画の異常除去ステップを必要とせずに、ノイズと故障を自然にフィルタリングする。
• スケーラビリティ: このアプローチは、グラフベースの最適化手法とは異なり、コア編隊調整（PCR）の計算コストがエージェント数に伴って禁止的に増大しないため、効果的にスケーリングする。

著者は、変換計算中にエージェント自身の現在位置の影響を無視することで精度をわずかに犠牲にしているものの、そのトレードオフは、複雑で大規模な任務に適した堅牢でスケーラブルかつリアルタイムな解決策をもたらすと結論づけている。今後の研究は、グループベースの戦略を用いてさらに大規模なスケールに拡張し、グローバル経路計画を統合することを目的としている。